Ein adaptives Plug-and-Play-Netzwerk für Few-Shot-Lernen

Few-Shot-Lernen (FSL) erfordert ein Modell, das neue Proben klassifizieren kann, nachdem es nur aus wenigen Proben gelernt hat. Während bemerkenswerte Ergebnisse in bestehenden Methoden erzielt werden, bestimmt die Leistung von Einbettungen und Metriken die obere Grenze der Klassifizierungsgenauigkeit in FSL. Der Flaschenhals ist, dass tiefe Netzwerke und komplexe Metriken dazu neigen, Überfitting im FSL zu induzieren, was es schwierig macht, die Leistung weiter zu verbessern. Dazu schlagen wir einen Plug-and-Play-modellanpassbaren Resizer (MAR) und eine adaptive Ähnlichkeitsmetrik (ASM) ohne andere Verluste vor. MAR erhält hochauflösende Details, um das Überfitting-Problem aufgrund von Datenknappheit zu lindern, und ASM entkoppelt die Beziehung zwischen verschiedenen Metriken und fusioniert sie dann zu einer fortschrittlichen. Umfangreiche Experimente zeigen, dass die vorgeschlagene Methode bestehende Methoden auf zwei Standard-Datensätzen sowie einem fein granularen Datensatz verbessern könnte und Ergebnisse auf dem Stand der Technik auf mini-ImageNet und tiered-ImageNet erzielt.